Búsqueda semántica
Docs, tickets, catálogo.
¿Qué es un embedding? Vectores y similitud semántica
Un embedding es una representación numérica densa (un vector) de un texto, imagen o entidad, situada en un espacio donde la cercanía refleja similitud semántica. Popularizados por Word2Vec y generalizados por encodeurs tipo BERT, alimentan la búsqueda semántica, el clustering y el RAG. No «entienden» solos: miden distancias útiles.
En una frase
Un embedding convierte contenido en un vector para comparar el sentido, no solo las palabras.
Para recordar
- Textos cercanos en sentido tienen vectores cercanos.
- Base de la búsqueda semántica y del RAG con LLM.
- La calidad depende del modelo encoder y del dominio.
- Hay que almacenar e indexar vectores para escalar.
Ficha del término
- Embedding
- Incrustación vectorial · Vector embedding · Representación densa
- Término en inglés
- Embedding
- Dominio
- Inteligencia artificial
- Categoría
- Representación / NLP
- Nivel
- Intermedio
¿Qué significa exactamente «embedding»?
Word2Vec mostró que vectores aprendidos de coocurrencias capturan analogías. BERT produce embeddings contextualizados.
En la práctica pyme: se trocean documentos, se calcula un vector por chunk, se indexa y se recuperan chunks cercanos a una pregunta antes del LLM.
Trampa: similitud ≠ verdad; el mal chunking degrada los resultados.
¿Cómo se implementan los embeddings?
- 01
Preparar el corpus
Limpiar, trocear (chunking), metadatos.
- 02
Elegir el encoder
Modelo multilingüe si FR/EN/ES; probar con sus consultas.
- 03
Indexar
Base vectorial + filtros de metadatos.
- 04
Evaluar la retrieval
Precision@k sobre preguntas reales de negocio.
Ejemplo concreto de embedding
Un distribuidor industrial indexa 4 000 fichas técnicas. Un cliente pide una junta resistente al vapor de grado alimentario. La búsqueda léxica falla con sinónimos; la de embeddings encuentra la ficha correcta.
¿Para qué sirven los embeddings?
RAG
Contexto pertinente para un LLM.
Deduplicación / clustering
Agrupar tickets o productos cercanos.
Recomendación
Contenidos o ítems similares.
Ventajas y límites de los embeddings
- Robustez ante sinónimos
- Base del RAG
- Escalable con índices ANN
- Reutilizable en varios casos
- Coste de indexación y reindexación
- Calidad ligada al modelo y al chunking
- Similitud ≠ exactitud factual
- Datos sensibles en el índice a proteger
¿En qué se diferencia un embedding de BM25?
| Embedding | Búsqueda léxica (BM25) | |
|---|---|---|
| Señal | Proximidad semántica vectorial | Solapamiento de términos |
| Sinónimos | A menudo mejor | Débil sin sinónimos explícitos |
| Exact match | A veces peor (SKU, códigos) | Excelente en identificadores |
| Práctica | A menudo híbrida | Simple y predecible |
Por qué los embeddings importan para una pyme quebequense
Su conocimiento está enterrado en PDF y tickets. Los embeddings lo hacen encontrable por intención, no solo por palabra exacta: condición para un asistente documental creíble.
Preguntas frecuentes
¿Hay que reindexar a menudo?
Sí cuando cambia el corpus; automatice el pipeline.
¿Qué dimensión de vector?
La del modelo elegido; más grande no siempre es mejor.
¿Multilingüe?
Use un encoder multilingüe y pruebe FR↔EN con pares reales.
¿Dónde almacenar?
Base vectorial gestionada o pgvector; cifre y controle el acceso.
Términos relacionados
Fuentes y referencias
¿Quiere una búsqueda que entienda la intención? Implantamos embeddings, índice y evaluación sobre su corpus.
Implantar búsqueda semántica